يعتبر اضطراب طيف التوحد (ASD) من الإعاقات التنموية التي تتسم بالتحديات في التفاعل الاجتماعي والتواصل. ومع بقاء أسباب اضطراب التوحد غامضة، فإن التعرف على الميزات الملائمة والارتباطات الخفية يعد أمراً حيوياً للتشخيص المبكر. في هذا الاستعراض الشامل، تم تقييم 55 دراسة أجريت بين عامي 2017 و2023 حول تطبيقات تقنيات التعلم الآلي (Machine Learning) لدعم أبحاث التوحد.

الهدف الرئيسي لهذا البحث هو استكشاف التطبيقات الحديثة للتعلم الآلي في أبحاث التوحد، وتحديد الاتجاهات والتقنيات ومجموعات البيانات التي تعزز من تشخيص وعلاج هذا الاضطراب. تبين أن أساليب التعلم الخاضع للإشراف (Supervised Learning) هي السائدة، إذ تتماشى بشكل جيد مع احتياجات تشخيص اضطراب التوحد. ومع ذلك، فإن دور التعلم العميق (Deep Learning) يتوسع مع توفر المزيد من البيانات.

كما تجذب التقنيات الناشئة المستندة إلى طرق هجينة، حيث يمكن أن تشمل التعلم غير الخاضع للإشراف (Unsupervised Learning) والتعلم العميق والمنطق الضبابي (Fuzzy Logic)، الانتباه في المستقبل. يستعرض البحث التحديات والفرص الرئيسية، مع التركيز على الحاجة إلى نماذج قادرة على دمج البيانات المعقدة - مثل المعلومات الجينية والسريرية - لتحسين دقة التشخيص ونتائج العلاج.

بالإضافة إلى ذلك، قد تساعد إدماج مصادر بيانات مبتكرة، مثل الأجهزة القابلة للارتداء وأجهزة الاستشعار البيومترية، في تمكين المراقبة المستمرة وغير المت intrusive، مما يوفر فهماً أكثر شمولية لاضطراب التوحد.

تشير النتائج إلى أن مواجهة التحديات الحالية تتطلب تعاوناً بين التخصصات وتوسيع مجموعات البيانات المصممة خصيصاً لاضطراب التوحد. سيستفيد المستقبل من نماذج التعلم الآلي الأوسع والأكثر تكاملاً متعددة الأبعاد، مما يمكن الباحثين من تناول تعقيدات اضطراب التوحد بشكل شامل.